在本指南中，我们将探讨如何使用计算机视觉数据集对完全开源的小型视觉语言模型 Moondream2 进行微调，以计数项目（这是 GPT-4V 一直表现不一致的任务），并以一种可以依赖输出用于生产应用程序的方式进行微调。 视觉语言模型 (VLM)，有时也称为多模态模型，越来越受欢迎。随着 CLIP、GPT-4 with Vision 等技术的出现以及其他进步，从视觉输入中查询问题的能力变得比以往任何